[发明专利]抄录语音

说明书

技术领域

本发明涉及一种分段(segment)和抄录(transcribe)视频、音频或多媒体文件或播出节目的语音(speech)记录和语音成分的方法，这样的记录和成分在本文被统称为“语音媒体”。本文所用的“语音”包括说出的声音和口头陈述的任何其它形式，其可以被解释为能够以文本表示的话语。

背景技术

为了知道“原始”状态的音频和视频媒体中有什么，人们必须聆听材料(在视频情况下观看材料)，从这个意义上来说，“原始”状态的音频和视频媒体是不透明的(opaque)。通过将媒体标记为具有标题、版权、作者、关键词和其它信息的统一体，可以为音频或视频关联附加信息(例如，就像在ID3标准下MP3文件与媒体元数据关联)。此外，可以为媒体文件关联包括语音文本信息的定时信息，在本文被统称为“定时媒体元数据”，其允许适当的系统在媒体中以正确的时间显示诸如字幕和副字幕等信息(如果需要，还有其它元数据)。

无论是标记整个文件，还是提供关于媒体中定时事件的信息，所关联的定时媒体元数据都可以嵌入有媒体文件本身(如果有合适的工具、格式和播放器)，或者单独在定时文本文件(有许多不同的标准格式，如W3C定时文本标记语言(TTML，也称为分发格式交换资料DFXP)或同步多媒体(SMIL)标准和专有标准)中，或者在数据库中。

语音媒体的定时部分(其还可以包括时间偏移、播放速率和向原始媒体的引用)连同文本和其它元数据(其还可以包括更短时间间隔的具体的定时信息)与在本文中被统称为“分段”的语音媒体的一部分相关联。

媒体文件和相关联的元数据也可以被分组为播放列表或频道，其允许显示、选择和播放一组媒体。如果这样的播放列表可以与适当的定时媒体元数据相关联，则整个播放列表可有效地体现定时、文本和其它元数据，用于应用该方法。

因为通过搜索引擎进行有效的搜索可提供来自广告商和赞助商的收益机会，所以能够通过搜索定位媒体有很重要的价值。从消费者的角度看(消费者是试图收看或收听媒体的任何人)，能够通过对内容进行文本搜索找到合适的视频和音频内容，而不依赖任何标题和整个媒体标签很重要。

此外，一旦找到媒体，消费者可以(用合适的播放器)基于定时媒体元数据中的文本搜索，来搜索媒体播放中的特定时间位置，这允许适当的播放器在感兴趣的合适位置处开始播放(而不是消费者需要摸索(scrub through)播放)。这允许消费者体验到媒体的相关部分，而不用观看不相关的部分。

目前，许多司法管辖区对广播媒体有法规要求，其需要适当的访问协助，这导致定时文本元数据例如作为隐藏字幕等可用。

在提供到网络(例如，BBC iPlayer、Google的YouTube^TM服务和支持字幕或副字幕的其它在线视频发布服务)上的视频和音频材料的情况下，具有可用的相关联元数据的材料的普及度有限(由于立法定位)。尽管事实是元数据的可用性在广播情形中更为有价值，这不仅因为元数据具有访问协助，而且因为其允许媒体能够容易地被搜索引擎找到，以及其可以使用户快速定位媒体中相关的部分。

此外，可能提供有带有定时媒体元数据的丰富多样的元数据(例如相关联的图像)，其提高了其对于用户的配合(engagement)和价值，并使得用户更容易吸收所需的信息，或者“点击”到其它相关地方。另外，可以将当前的文本分段元数据与相关广告背景相关联。材料的定时关联还有助于教学环境。

将丰富的元数据添加到音频和视频材料的主要障碍是用当前的制作和发布系统这么做所需的复杂性和工作量。